TWI863466B - 放電加工評估系統以及放電加工評估方法 - Google Patents

Abstract

本發明提出一種放電加工評估系統以及放電加工評估方法。放電加工評估系統包括儲存裝置以及處理器。儲存裝置用以儲存特徵計算模組、變異係數計算模組以及散度分析模組。處理器電性連接儲存裝置，並且用以執行特徵計算模組、變異係數計算模組以及散度分析模組，並且從放電加工機接收多組放電信號。特徵計算模組用以根據多組放電信號計算多組特徵參數。變異係數計算模組用以根據多組特徵參數計算多組變異係數散度分析模組用以根據多組特徵參數進行散度計算，以產生散度分析結果。

Description

放電加工評估系統以及放電加工評估方法

本發明是有關於一種工件加工評估機制，且特別是有關於一種放電加工評估系統以及放電加工評估方法。

一般來說，傳統的放電加工需由使用者透過人眼觀察加工情況或透過聽聲音的方式來判斷加工結果，因此容易產生加工誤差。並且，若放電加工的時間較長，則前述的加工誤差的影響也會增加，而最終導致工件加工失敗。

本發明的放電加工評估系統包括儲存裝置以及處理器。儲存裝置用以儲存特徵計算模組、變異係數計算模組以及散度分析模組。處理器電性連接儲存裝置，並且用以執行特徵計算模組、 變異係數計算模組以及散度分析模組，並且從放電加工機接收多組放電信號。特徵計算模組用以根據多組放電信號計算多組特徵參數，並且變異係數計算模組用以根據多組特徵參數計算多組變異係數。散度分析模組用以根據多組特徵參數進行散度計算，以產生散度分析結果。

本發明的放電加工評估方法包括以下步驟：從放電加工機接收多組放電信號；根據多組放電信號計算多組特徵參數；根據多組特徵參數計算多組變異係數；以及根據多組特徵參數進行散度計算，以產生散度分析結果。

基於上述，本發明的放電加工評估系統以及放電加工評估方法，可有效評估放電加工結果。

為讓本發明的上述特徵和優點能更明顯易懂，下文特舉實施例，並配合附圖作詳細說明如下。

100:放電加工評估系統

110:處理器

120:儲存裝置

201、400:工件

202:放電加工機

310:特徵計算模組

320:參數對照模組

330:變異係數計算模組

340:散度分析模組

350:評估模組

401:第一接觸面

402:第二接觸面

501:放電電壓信號

502:放電電流信號

D1、D2、D3:方向

S210~S240:步驟

圖1是本發明的一實施例的放電加工評估系統的示意圖。

圖2是本發明的一實施例的放電加工評估方法的流程圖。

圖3是本發明的一實施例的多個模組的示意圖。

圖4是本發明的一實施例的工件的示意圖。

圖5是本發明的一實施例的放電電壓以及放電電流的示意圖。

圖6A是本發明的一實施例的參數對照的示意圖。

圖6B是本發明的另一實施例的參數對照的示意圖。

圖7是本發明的另一實施例的散度分析結果的示意圖。

為了使本發明之內容可以被更容易明瞭，以下特舉實施例做為本揭示確實能夠據以實施的範例。另外，凡可能之處，在圖式及實施方式中使用相同標號的元件/構件/步驟，係代表相同或類似部件。

圖1是本發明的一實施例的放電加工評估系統的示意圖。參考圖1，放電加工評估系統100包括處理器110以及儲存裝置120。處理器110電性連接儲存裝置120。儲存裝置120可儲存多個模組的演算法與程式，以供處理器110讀取並執行之。儲存裝置120還可儲存放電加工評估過程中所產生的相關資料、數據與分析結果。在本實施例中，處理器110電性連接放電加工機202，並且放電加工機202用於對工件201進行放電加工，其中工件201可為金屬材c料。

在本實施例中，處理器110可例如包括中央處理單元(Central Processing Unit，CPU)、圖形處理器(Graphics Processing Unit，GPU)或是其他可程式化之一般用途或特殊用途的微處理器(Microprocessor)、數位訊號處理器(Digital Signal Processor，DSP)、可程式化控制器、特殊應用積體電路(Application Specific Integrated Circuits，ASIC)、可程式化邏輯裝置(Programmable Logic Device，PLD)、其他類似處理裝置或這些裝置的組合。

在本實施例中，儲存裝置120可例如是動態隨機存取記憶體(Dynamic Random Access Memory，DRAM)、快閃記憶體(Flash memory)或非揮發性隨機存取記憶體(Non-Volatile Random Access Memory，NVRAM)等。

圖2是本發明的一實施例的放電加工評估方法的流程圖。參考圖1以及圖2，放電加工評估系統100可執行如以下步驟S210~S240。在本實施例中，使用者可操作放電加工機202對工件201進行放電加工，其中使用者可對放電加工機202設定予不同的多組加工設定參數，以對工件201進行多次放電加工。在步驟S210，處理器110可從放電加工機202接收多組放電信號。在本實施例中，所述多組放電信號可分別包括放電電流信號以及放電電壓信號，並且放電電流信號以及該放電電壓信號分別為高頻全域信號。放電加工機202在多次放電加工過程中，可分別提供放電信號至處理器110。

在步驟S220，處理器110可根據多組放電信號計算多組特徵參數。在本實施例中，所述多組特徵參數可分別包括平均火花頻率(Average Speak Frequency，ASF)、平均放電電流脈衝持續時間(Average Discharge Current Pulse Duration，ADCPD)、平均放電峰值電流(Average Peak Discharge Current，APDC)、平均放電能量(Average Discharge Energy，ADE)、平均點火延遲時間(Average Ignition Delay Time，AIDT)、平均間隙電壓(Average Gap Voltage， AGV)以及開路比(Open Circuit Ratio，OCR)。

平均火花頻率(ASF)可滿足以下公式(1)，其中Nt為一個施作期間中的火花總數，Tt為此一個施作期間的時間長度。

平均放電電流脈衝持續時間(ADCPD)可滿足以下公式(2)，其中△ti為第i個火花的持續時間長度，其中i為正整數。

平均放電峰值電流(APDC)可滿足以下公式(3)，其中Ii(max)為第i個火花的最大電流值。

平均放電能量(ADE)可滿足以下公式(4)，其中Ei為第i個火花的放電能量。Ei可滿足以下公式(5)，其中Vt為放電電壓，以及It為放電電流。

平均點火延遲時間(AIDT)可滿足以下公式(6)，其中td,i為第i個火花的開路電壓時間，以及te,i為第i個火花的點火延遲時間。

平均間隙電壓(AGV)可滿足以下公式(7)，其中Vi(max)為產生第i個火花期間所產生的最大間隙電壓(gap voltage)。

開路比(OCR)可滿足以下公式(8)，其中Ot可為開路總數。開路的定義為當電壓峰值Vi(max)結束欲進行放電時，但電流峰值Ii(max)未上升的情況定義為開路。

處理器110可執行如以上公式(1)~公式(8)來取得對應的特徵參數。在步驟S230，處理器110可根據多組特徵參數計算多組變異係數(Coefficient of Variation，CV)。在本實施例中，變異係數可作為評價對應於不同加工設定參數的多個放電加工結果的離散程度的一種評價指標。系統或使用者可透過所述多組變異係數來有效評估特定的加工設定參數是否適合用於工件201的放電加工。變異係數的定義為一組資料中的標準差(σ)除以平均數(μ)的商所得之值(

)。變異係數為相對差異量數，並且可用於與另一組資料比較其資料分散的情形。

在步驟S240，處理器110可根據多組特徵參數進行散度計算，以產生散度分析結果。在本實施例中，散度分析結果可用於提供對應於不同加工設定參數的多個放電加工結果在不同評價指標之間的分布關係，以便系統或使用者可有效評估特定的加工設定參數是否適合用於工件201的放電加工。因此，本實施的放電加工評估系統100以及放電加工評估方法可有效提供多種評價指標來供系統或使用者可有效評估特定的加工設定參數是否適合用於工件201的放電加工。然而，關於上述各步驟的具體實施方式 將由以下各實施例舉例說明之。

圖3是本發明的一實施例的多個模組的示意圖。圖4是本發明的一實施例的工件的示意圖。參考圖1以及圖3，儲存裝置120可例如儲存特徵計算模組310、參數對照模組320、變異係數計算模組330、散度分析模組340以及評估模組350。處理器110可執行特徵計算模組310、參數對照模組320、變異係數計算模組330、散度分析模組340以及評估模組350來實現本發明的放電加工評估方法。

舉例而言，參考圖4，工件201可實現如圖4所示的工件400。圖4為工件400的側面透視圖。工件400的開口面可平行於由方向D1與方向D2分別延伸所形成的平面(例如水平面)。放電加工機202的電極可沿著方向D3(例如垂直方向)進入工件400的開口，並對於工件400的內部進行放電加工，而對工件400的內部結構進行塑形。方向D1、方向D2以及方向D3可彼此垂直。放電加工機202可根據多組放電加工設定參數來例如對工件400的內部的第一接觸面401以及第二接觸面402進行放電加工，並且處理器110可從放電加工機202接收多組放電信號。

搭配參考圖5，圖5是本發明的一實施例的放電電壓以及放電電流的示意圖。一組放電信號可包括如圖5所示的放電電壓信號501以及放電電流信號502。對此，在充電期間T1，放電電壓信號501可上拉而產生充電波形(放電加工機202對電極進行充電)，並且在放電期間T2，由於電極與工件400之間產生火花而放 電，因此放電電壓信號501的信號波形將下拉。相對的，放電期間T2，放電電流信號502的信號波形將上拉而產生放電波形。然而，圖5僅為範例實施例，每一次放電的放電電壓信號以及放電電流信號的信號波形可不相同。

處特徵計算模組310可例如根據放電電壓信號501以及放電電流信號502來取得火花的持續時間長度△ti、火花的最大電流值Ii(max)、火花的間隙電壓值Vi(max)、開路電壓時間td,i以及點火延遲時間te,i等，以及其他相關參數。接著，處理器110可根據前述多個參數來執行如上述公式(1)至公式(8)的運算，而取得多組特徵參數。

搭配參考圖6A以及圖6B。圖6A是本發明的一實施例的參數對照的示意圖。圖6B是本發明的另一實施例的參數對照的示意圖。參數對照模組320可根據所述多組特徵參數產生多組參數對照結果，其中所述多組參數對照結果的每一組為對應於相同參數類型的多個不同特徵參數的百分比分布結果。舉例而言，放電加工機202可例如根據三組不同的加工設定參數(例如參數A、參數B以及參數C，其中參數A、參數B以及參數C為電壓、電流以及放電時間等機台設定組合)來對工件400進行放電加工，並且在放電加工過程中，處理器110可取得分別對應於多個特徵參數的三組參數對照結果。

圖6A以及圖6B中的百分比用於表示不同參數在放電加工過程中所佔有的時間比例。先說明的是，圖6A以及圖6B所示 的每個直條圖為對應不同的特徵參數。對此，不同的特徵參數代表不同佔有百分比的意義。舉例而言，以圖6B為例，假設特徵1為平均火花頻率，則參數B在一設定時間內所量測得到的火花數量占比最高約為75%，而火花總數為參數A、參數B以及參數C分別在該設定時間內的火花數總和。也就是說，可以表示在平均火花頻率這個特徵中，參數B的效果優異。或者，假設特徵2為平均能量，則參數C在一設定時間內所量測到的平均能量最高占比約為65%，而占比基礎為參數A、參數B以及參數C的平均能量總合。換言之，可綜合考量參數A、參數B以及參數C分別在各個特徵的表現，以選定最適參數組合。

對此，如圖6A所示，圖6A為放電加工機202基於三組不同的加工設定參數對於工件400的第一接觸面401的放電加工結果。如圖6B所示，圖6B為放電加工機202基於三組不同的加工設定參數對於工件400的第二接觸面402的放電加工結果。對於圖6A，透過百分比的對照，以及依照不同的加工特性與計算結果，使用者或系統可觀察出在第一接觸面401(較小施作面積)以不同參數進行放電加工所產生的相關特徵參數的影響的差異較少，但使用者或系統仍可依此觀察出較適參數。並且，對於圖6B，使用者或系統可觀察出在第二接觸面402(較大施作面積)以不同參數進行放電加工所產生的相關特徵參數的影響的差異較大，而使用者或系統可依此較容易觀察出較適參數。

關於如何評估較適參數，在本實施例中，平均火花頻率越 高，則表示加工效率越好。平均放電電流脈衝持續時間越符合機台原始設定越好(機台原始設定會受到加工環境的影響，使得實際加工的表現偏離原始機台設定)。平均能量越大，加工效率越好，但太大可能造成工件損壞。點火延遲時間越小越好，但太小可能造成短路。平均間隙電壓偏離機台原始設定越少越好。開路比越小越好。

例如對應於工件400的第二接觸面402的放電加工結果(第一接觸面401的放電加工結果的變異係數計算以及散度分析可以類推)，變異係數計算模組330可根據前述的多組特徵參數計算多組變異係數。散度分析模組340可根據所述多組特徵參數進行散度計算，以產生散度分析結果。對此，散度分析模組340可進行KL(Kullback-Leibler)散度計算。搭配參考圖7，圖7是本發明的另一實施例的散度分析結果的示意圖。散度分析模組340可產生如圖7的散度分析結果。圖7的散度分析結果的橫軸可對應於加工穩定度指標，而縱軸可對應於加工效率指標，但本發明並不限於此。圖7可例如是由隨機鄰近嵌入法(T-distributed Stochastic Neighbor Embedding,t-SNE)(即一種流形學習(Manifold Learning)模型)運算出來的結果，其中圖7的縱軸及橫軸的各別相鄰兩點的距離是以歐式距離來表達其相似度(圖7的縱軸及橫軸的單位用於表現歐式距離的一個區間)。散度分析結果的縱軸與橫軸也可對應於其他指標，而不限於圖7所示。對此，例如分別對應於6組不同的加工設定參數的多次放電加工結果，其在加工效率以及加工 穩定度的分布關係上可具有不同的分布趨勢。例如對應於第1組的加工設定參數(顏色最深)的多次放電加工結果可具有明確的加工穩定度以及加工效率，其中加工穩定度為中等，而加工效率普遍較差。例如對應於第6組的加工設定參數(顏色最淺)的多次放電加工結果可具有明確的加工穩定度，但具有非固定的加工效率，其中加工穩定度為中等，而加工效率可能較高或普通。換言之，相對於第1組的加工設定參數(顏色最深)，此加工設定參數(顏色最淺)的多次放電加工有較高機率可實現較高加工效率的放電加工特點。

評估模組350可用以根據散度分析結果計算評分參數。對此，評估模組350包括非線性的機器學習模型。評估模組350經訓練後可對於不同加工設定參數在前述的散度分析結果中可獲得的評分參數，以讓使用者或系統可更容易地動態調整加工設定參數，且能直觀的輔助使用者或系統進行決策，而可有效率地操作放電加工機202對工件201進行放電加工。

因此，放電加工評估系統100可經由不同加工設定參數來建立如上述散度分析結果，並且在放電加工機202對於工件201進行實際的加工過程中，放電加工評估系統100可取得即時的放電信號。對此，即時的放電信號可經由上述各模組的運算後，產生對應的特徵參數以及參數對照結果，並且可顯示在散度分析結果中的落點，以供使用者或系統可即時判斷當前加工特性，進行可主動或自動地調整加工設定參數，以實現可對於工件201進行有效率且良好的放電加工。

綜上所述，本發明的放電加工評估系統以及放電加工評估方法可採集多次放電加工過程中所產生的多組放電信號，並且進行信號分析，而產生散度分析結果。如此一來，散度分析結果可用於評估多次放電加工過程中所採用的加工設定參數是否適當，以有效輔助使用者進行決策。

雖然本發明已以實施例揭露如上，然其並非用以限定本發明，任何所屬技術領域中具有通常知識者，在不脫離本發明的精神和範圍內，當可作些許的更動與潤飾，故本發明的保護範圍當視後附的申請專利範圍所界定者為準。

S210~S240:步驟

Claims (20)

1. 一種放電加工評估系統，包括： 一儲存裝置，用以儲存一特徵計算模組、一變異係數計算模組以及一散度分析模組；以及 一處理器，電性連接該儲存裝置，並且用以執行該特徵計算模組、該變異係數計算模組以及該散度分析模組，並且從一放電加工機接收多組放電信號， 其中該特徵計算模組用以根據該多組放電信號計算多組特徵參數，並且該變異係數計算模組用以根據該多組特徵參數計算多組變異係數， 其中該散度分析模組用以根據該多組特徵參數進行一散度計算，以產生一散度分析結果。
2. 如請求項1所述的放電加工評估系統，其中該多組放電信號分別包括一放電電流信號以及一放電電壓信號。
3. 如請求項2所述的放電加工評估系統，其中該放電電流信號以及該放電電壓信號分別為高頻全域信號。
4. 如請求項2所述的放電加工評估系統，其中在一充電期間，該放電電壓信號上拉而產生一充電波形，並且在一放電期間，該放電電壓信號下拉。
5. 如請求項4所述的放電加工評估系統，其中該多組放電信號分別還包括一放電時間。
6. 如請求項1所述的放電加工評估系統，其中該儲存裝置還儲存一參數對照模組，並且該處理器執行該參數對照模組， 其中該參數對照模組根據該多組特徵參數產生多組參數對照結果，其中該多組參數對照結果的每一組為對應於相同參數類型的多個不同特徵參數的百分比分布結果。
7. 如請求項1所述的放電加工評估系統，其中該散度分析模組用以進行KL(Kullback-Leibler)散度計算。
8. 如請求項1所述的放電加工評估系統，其中該儲存裝置還儲存一評估模組，並且該處理器執行該評估模組， 其中該評估模組用以根據該散度分析結果計算一評分參數。
9. 如請求項8所述的放電加工評估系統，其中該評估模組包括一非線性的機器學習模型。
10. 如請求項1所述的放電加工評估系統，其中該多組特徵參數分別包括一平均火花頻率、一平均放電電流脈衝持續時間、一平均放電峰值電流、一平均放電能量、一平均點火延遲時間、一平均間隙電壓以及一開路比。
11. 一種放電加工評估方法，包括： 從一放電加工機接收多組放電信號； 根據該多組放電信號計算多組特徵參數； 根據該多組特徵參數計算多組變異係數；以及 根據該多組特徵參數進行一散度計算，以產生一散度分析結果。
12. 如請求項11所述的放電加工評估方法，其中該多組放電信號分別包括一放電電流信號以及一放電電壓信號。
13. 如請求項12所述的放電加工評估方法，其中該放電電流信號以及該放電電壓信號分別為高頻全域信號。
14. 如請求項12所述的放電加工評估方法，其中在一充電期間，該放電電壓信號上拉而產生一充電波形，並且在一放電期間，該放電電壓信號下拉。
15. 如請求項14所述的放電加工評估方法，其中該多組放電信號分別還包括一放電時間。
16. 如請求項11所述的放電加工評估方法，還包括： 根據該多組特徵參數產生多組參數對照結果，其中該多組參數對照結果的每一組為對應於相同參數類型的多個不同特徵參數的百分比分布結果。
17. 如請求項11所述的放電加工評估方法，其中該散度計算為一KL(Kullback-Leibler)散度計算。
18. 如請求項11所述的放電加工評估方法，還包括： 通過一評估模組根據該散度分析結果計算一評分參數。
19. 如請求項18所述的放電加工評估方法，其中該評估模組包括一非線性的機器學習模型。
20. 如請求項11所述的放電加工評估方法，其中該多組特徵參數分別包括一平均火花頻率、一平均放電電流脈衝持續時間、一平均放電峰值電流、一平均放電能量、一平均點火延遲時間、一平均間隙電壓以及一開路比。